Метод MIT ускоряет решение сложных инженерных задач с сотнями переменных

Исследователи MIT предложили способ решать сложные инженерные задачи, где нужно учитывать сотни переменных и проверять множество дорогих вариантов. Подобные задачи возникают, например, при оптимизации power grid или при проектировании более безопасных автомобилей. Инженерам приходится работать с тысячами деталей и большим числом параметров, от которых зависит итоговый результат. Классические методы оптимизации в таких условиях нередко с трудом находят лучшую комбинацию параметров.

Метод по‑новому использует Bayesian optimization. В тестах на реалистичных инженерных бенчмарках, включая power-system optimization, он находил лучшие решения в 10 to 100 раз быстрее широко применяемых подходов. В основе техники, foundation model, обученная на tabular data. Она сама определяет, какие переменные сильнее всего влияют на улучшение результата, затем повторяет процесс и постепенно уточняет решение. При этом модель можно применять без постоянного переобучения в ходе оптимизации.

Авторы называют такую tabular foundation model «ChatGPT for spreadsheets». И входные, и выходные данные представлены в виде таблиц, что типично для инженерных задач. По принципу работы система напоминает большие языковые модели вроде ChatGPT, Claude и Gemini: она предварительно обучена на большом массиве данных и затем может применяться в разных задачах. Работу выполнили Rosen Yu, Cyril Picard и Faez Ahmed; результаты представят на International Conference on Learning Representations.